公开(公告)号：CN118864760A

公开(公告)日：2024-10-29

申请号：CN202410813774.X

申请日：2024-06-24

Applicant: 中北大学

Inventor： 任世兴

IPC: G06T17/20 ,  G06N3/0455 ,  G06N3/08

Abstract: 本发明属于计算机三维重建和大数据云计算等领域，具体涉及一种基于几何图元的隐式神经表征方法。通过构建和训练深度神经网络模型，解决了目前主流技术进行三维重建时的准确度和完整度不足等问题。本发明提出的利用部件的隐空间向量分布用以最小化模型预测目标点的有符号距离值的方法以及采用的网络结构和相关的训练策略，体现了深度学习在复杂三维数据处理上的强大能力。模型设计集成了空间坐标信息、潜在向量表示以及正则化策略，使网络能精确地从潜在空间映射到具体的三维几何结构。本发明为全局和局部特征在形状表示的关联性上提供了新思路，丰富了三维重建的多角度处理方式和应用广度，在数字孪生技术和其他工业应用中具有广泛的应用潜力。

公开(公告)号：CN119445027A

公开(公告)日：2025-02-14

申请号：CN202411502784.8

申请日：2024-10-25

Applicant: 中北大学

Inventor： 任世兴 ,  任一峰 ,  郑梦

IPC: G06T17/20 ,  G06N3/0464 ,  G06N3/094

Abstract: 本发明公开了一种基于生成对抗网络的点云重构方法，属于计算机三维重建、计算机视觉和大数据云计算等技术领域。针对目前点云重构方法如何提高网络架构学习点云重构的能力，降低网络架构的训练复杂度的问题，本发明采用生成对抗网络作为主体框架，设计生成器将点云从特征空间映射到有符号距离场，构建判别器优化全局梯度和空间点有符号距离预测值，以提高重构的细节精度。生成器直接从点云数据生成初始形状，判别器对生成器预测的隐式场和梯度进行优化，以提高最终形状的质量。本发明方法改进了生成对抗网络框架，强化了神经网络模型的点云重构能力，使神经网络模型能够更有效地从点云数据中重构正确且精细的拓扑曲面。

公开(公告)号：CN118691761A

公开(公告)日：2024-09-24

申请号：CN202410931885.0

申请日：2024-07-12

Applicant: 中北大学

Inventor： 任世兴

IPC: G06T17/20 ,  G06T17/00 ,  G06T17/10 ,  G06T15/08 ,  G06V20/64 ,  G06V10/44 ,  G06N3/0455 ,  G06N3/0464

Abstract: 本发明属于计算机三维重建、计算机视觉和大数据云计算等领域，具体涉及一种基于自动解码器的层次结构三维重建方法，解决了目前主流的基于深度学习的三维重建技术存在着无法重建层次化结构、内部结构损失或内部结构重建精度低的问题。本发明采用的层次化形状表示和自动解码器框架，通过改进卷积神经网络以提取数据特征，在自动解码器框架中学习空间两点间的关系，在神经有符号距离场中预测任意空间点的最近表面的有符号距离值，在精确重建具有内部结构的三维形状方面表现出良好的性能。本发明方法设计了新的映射关系，提高了神经网络模型学习层次化结构的能力，使神经网络模型能够更有效地从数据中学习并重建出具有内部结构的三维形状。